人工智能技术
宋 君, 高 磊, 王奎越, 曹忠华, 马驰宇, 马晓国
冶金自动化.
录用日期: 2023-09-29
传统的性能预测和优化方法多基于经验和机理，未充分考虑到数据中蕴含的价值。如何挖掘钢材性能与相关工艺参数之间的线性非线性传递关系，实现高精度的性能预测和工艺优化是目前的研究热点之一。本文以热轧板带制造全过程的高维工艺质量数据集为基础，提出了一种融合机器学习性能预测模型和沙普利加和解释(SHapley Additive exPlanation，SHAP)框架的热轧带钢性能优化方法。该方法首先以最大互信息系数(Maximal Information Coefficient，MIC)相关性评价指标从高维的工艺数据中筛选与机械性能指标存在显著影响关系的有效变量；然后通过对比基于多输出支持向量回归模型(Multiple output Support Vector Regression，MSVR)、支持向量回归模型(Support Vector Regression，SVR)和随机森林的性能预测模型的预测精度，选取最优性能预测模型；最后，基于SHAP解释框架和最优预测模型进行工艺参数评价，度量各工艺参数对最终性能的量化影响，并通过对操作变量按SHAP分析的结果进行调整，以验证性能优化的效果。实验结果表明，本文提出的性能优化方法可显著按需求改善性能指标，对于钢铁生产过程的机械性能管控具有指导意义。
